AMD-HookNet++:基于混合CNN-Transformer特征增强的AMD-HookNet演化，用于冰柱断崖分割
计算机视觉与模式识别
2025-12-17 v1
摘要
冰川和冰 shelf前端的动力学显著影响冰盖质量平衡和沿海海平面上升。为了有效监测冰川状况，准确估计冰川断崖位置的位移至关重要。AMD-HookNet首次引入纯两种分支卷积神经网络(CNN)用于冰川分割。然而，卷积操作的局部性质和平移不变性虽然有利于捕获低层细节，却限制了模型在保持长程依赖方面的能力。本文提出AMD-HookNet++，一种用于分割冰川并描绘合成孔径雷达图像中断崖前端的新型混合CNN-Transformer特征增强方法。我们的混合结构包括两个分支：一个基于Transformer的上下文分支用于捕获长程依赖，提供更大视野中的全局上下文信息；一个基于CNN的目标分支用于保留局部细节。为加强混合CNN-Transformer特征的表征，我们设计了一个增强的空间-通道注意力模块，通过动态调整token在空间和通道两个方面的关系，促进混合CNN-Transformer分支之间的相互作用。此外，我们开发了像素到像素的对比深度监督，将像素级度量学习集成到冰川分割中。通过在具有挑战性的冰川分割基准数据集CaFFe上的大量实验和全面定性和定量分析，我们表明AMD-HookNet++在IoU为78.2、HD95为1,318米的情况下达到了新的状态最佳成绩，同时保持竞争的MDE为367米。更重要的是，我们的混合模型产生更光滑的断崖前端描绘，解决了纯Transformer方法中常见的尖锐边缘问题。
引用
@article{arxiv.2512.14639,
title = {AMD-HookNet++: Evolution of AMD-HookNet with Hybrid CNN-Transformer Feature Enhancement for Glacier Calving Front Segmentation},
author = {Fei Wu and Marcel Dreier and Nora Gourmelon and Sebastian Wind and Jianlin Zhang and Thorsten Seehaus and Matthias Braun and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2512.14639},
year = {2025}
}